目前我希望使用比例空间表示来过滤一个图像。可以使用具有一个最佳西格玛的高斯平滑滤波器来过滤一个图像中的特征。这意味着一个图像中的不同特征可以在尺度空间表示下以不同比例表达得最好。
例如，我有一张图片，里面有一棵树。在标度空间表示中，使用三个sigma值，它们表示为sigma0，sigma1和sigma2。地面最好用sigma0在平滑后的图像中表示，因为它主要包含纹理。分支最好用sigma1在更平滑的图像中表示，而树干用sigma2表示更平滑的图像。如果我希望过滤图像，我希望该组的过滤像素来自带有sigma0的平滑图像。 分支的滤波像素来自具有sigma1的平滑图像。中继的过滤像素来自带有sigma2的平滑图像。
这需要我确定哪个平滑的图像最好表达一个像素。这个想法有道理吗？ 我试图使用两个连续平滑图像的高斯差分来执行上述任务。有没有其他方法来组合三个平滑的图像？
我使用Matlab来实现这个想法。三西格玛的值分别为1.0,2.0和3.0。高斯内核的相应大小是3,5和7.我使用函数fspecial来生成内核。参数合理吗？请分享您在比例空间表示方面的经验，以帮助我。您可以提供一些有用论文的链接。
答案 0 :(得分：1)
你的想法非常合理！你距离它只有一步之遥。我做过一次非常相似的事情，它看起来像这样：
平滑图像并提取每个平滑步骤的边缘后（我使用加权[以补偿高斯滤波后的最大值抑制] Sobel滤波器，因为DOG对我的应用来说不太稳定），你可以进行proyect（和将整个边缘图像堆叠成一个图像（“累积边缘”），其中包含特征边缘。然后，您可以将累积边缘图像（使用互相关或任何您想要的）与边缘堆叠中的每个图像进行比较，此比较的最大值则是像素表达最佳的平滑比例。
希望在阅读它之后对你有意义。
也不要害怕使用更大的内核大小，而这一切都取决于你的应用程序，我最终使用51和更大的东西！ （虽然正在使用40MP图像......）
吨。林德伯格确实dozens of papers与这个问题有关。我发现this one最有用，但由于你已经走在正确的轨道上，我不认为阅读50页会让你变得更聪明。其中最重要的部分可能就是这个：
比例选择原则： 在没有其他证据的情况下，假设一个比例级别，其中一些 （可能是非线性的）归一化导数的组合假设a 局部最大尺度，可视为反映特征 数据中相应结构的长度。